Twitter 话题立场检测:基于注意力机制的双阶段 LSTM 模型
文章探讨基于目标的立场检测,使用条件 LSTM 编码建立 tweet 的表示并考虑了目标未提及且缺乏训练数据的情况,在 SemEval 数据集上超越了大部分方法且当加入弱监督时达到了最优效果。
Jun, 2016
该研究提出了一种利用 Twitter 时间轴内容分析的非监督态度检测框架 (Tweets2Stance) 来预测社交媒体用户态度的方法,并通过对六个政党在 20 个不同议题上的一致性进行分析,依据党派帐号的言论预测政治主张。结果表明,T2S 能以最小 MAE 为 1.13 的准确度成功检测用户的态度。
Apr, 2022
本研究探讨了面向体育相关推特的立场检测问题,并使用基于 SVM 的分类器在不同的特征集上进行了评估,结果表明将基于 unigram、hashtags 和 named entities 的特征组合使用于 SVM 分类器中是该问题的一个可行方法。
Mar, 2018
使用远程监督学习的 Word2Vec Skip-Gram 模型,以及递归神经网络,识别推文作者态度的高效系统。
Jun, 2016
本文介绍了一种基于社交媒体的立场检测的方法,该方法使用了情感分析来帮助检测人们的立场,同时构建了一个用于训练和测试机器学习模型的数据集,并使用了远程监督技术和词嵌入来进一步提高立场检测的准确性。
May, 2016
本文通过利用深度学习中的短文本分类方法来检测推特立场,并采用数据增强技术扩展和多样化训练数据集,结合词级和字符级模型构建分类器最终实现了精度、召回率和 F1 值均在 0.6 以上的结果。
Jun, 2016
通过整合文本和图像的多模态信息,文章提出了一种简单而有效的 TMPT 框架,利用目标信息从文本和视觉模态学习多模态姿态特征,并在三个基准数据集上取得了最先进的多模态姿态检测性能。
Feb, 2024
本论文阐述了团队 Turing 参加 SemEval 2017 RumourEval:确定谣言真实性和支持谣言(SemEval 2017 任务 8,子任务 A)的挑战,并通过提出一种基于 LSTM 的顺序模型,对讨论谣言的一组 Twitter 帖子进行了支持、否认、询问或评论的分类,从而在子任务 A 中表现出色,实现了 0.784 的准确率,超过了所有其他系统。
Apr, 2017
本研究评估了立场检测方法的演变,从早期的机器学习方法过渡到划时代的 BERT 模型,最终到现代的大语言模型(LLMs),如 ChatGPT、LLaMa-2 和 Mistral-7B。结果强调了 LLMs 在准确检测立场方面的卓越能力,LLaMa-2 和 Mistral-7B 表现出极高的效率和潜力,值得进一步研究。
Apr, 2024
使用卷积神经网络与长短时记忆网络,我们成功实现了最先进的 Twitter 情感分类器,通过海量无标注数据来预训练词向量,然后使用少量无标注数据通过远程监督来微调嵌入向量,最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调,使用了集成学习方法,我们在所有五个英文子任务中均排名第一。
Apr, 2017